Luận án Nghiên cứu nâng cao chất lượng và giải đoán ảnh viễn thám đa phổ dựa trên tính toán mềm - Nguyễn Tu Trung

ề xuất được so sánh với kết quả thử nghiệm của thuật toán phân lớp hợp lý tối đa trong phần mềm ImageWorks của PCI. Ảnh viễn thám có nhiều kênh phổ có số lượng lớn dữ liệu về vùng đất được quan tâm [96]. Kích thước ảnh tăng lên do sự cải tiến của các cảm biến vệ tinh chụp ảnh. Việc xử lý các ảnh này đặt ra nhiều thách thức như là việc lựa chọn các kênh thích hợp, trích chọn các đặc trưng liên quan, phân lớp do sự đồng nhất phổ và không gian. Việc chỉ sử dụng thông tin phổ từ ảnh đã phổ không đầy đủ để phân loại. Sự kết hợp cả thông tin kết cấu và không gian với thông tin phổ làm tăng độ chính xác phân loại của hệ thống. Các đặc trưng không gian khác nhau được trích chọn từ ảnh như là độ dài, động rộng, PSI (Pixel Shape Index), tỉ lệ sử dụng khái niệm về đường trực tiếp [67]. Ma trận đồng biến cố mức xám (GLCM- Gray level co-occurrence matrix) [75] được sử dụng chủ yếu và thành công theo một số mức, và được dùng để tìm đặc trưng kết cấu từ ảnh LANDSAT. Trong [83], một độ đo tương tự đặc trưng mới được giới thiệu, được biết đến là chỉ số nén thông tin cực đại (MICI- Maximum Information Compression Index). Tiếp cận này dựa trên sự phục thuộc tuyến tính giữa các biến và lợi ích của việc lựa độ đo này rằng nếu chúng ta xoá một đặc trưng phụ thuộc tuyến tính, dữ liệu sẽ vẫn có thể phân biệt một cách tuyến tính. Sau khi trích chọn và lựa chọn các đặc trưng phù hợp từ anhrm các đặc trưng này được đưa vào bộ phân loại để tiếp tục xử lý. Các tiếp cận phân loại như là KMeans [17], SVM [117], BPNN [57][17] và PCNN được sử dụng. Trong [20], các kĩ thuật mạng Neural được trình bày và so sánh cho ảnh viễn thám. Trong [96], ảnh đa phổ LANDSAT được sử dụng để thực nghiệm và phân tích kết quả. Đầu tiên, ảnh được phân tích thành phần chính sử dụng kĩ thuật PCA để giảm số kênh từ bảy xuống còn ba. Sau đó, các đặc trưng kết cấu và không gian được trích chọn sử dụng GLCM và PSI. Việc tính toán đặc trưng cấu trúc sử dụng 66 hai đặc trưng này [117]. Thứ ba, đặc trưng liên quan được chọn sử dụng tiếp cận S- Index [83]. Thứ tư, cùng với đặc trưng phổ tạo thành đầu vào cho bộ phân loại. Ba kĩ thuật phân lớp là k-NN, BPNN và PCNN được xem xét để phân lớp sử dụng đặc trưng kết cấu, không gian và phổ [96]. Thử nghiệm thể hiện rằng tiếp cận giám sát thực hiện tốt hơn tiếp cận không giám sát. So sánh giữa k-NN, BPNN và PCNN được thực hiện sử dụng ba đặc trưng và độ chính xác phân loại của BPNN là cao hơn so với k-NN và PCNN. Trong [116], tác giả đưa ra một kết hợp giữa phân rã wavelet và mạng neural cho việc phân loại ảnh viễn thám thuộc vùng đô thị.Phân loại ảnh viễn thám đóng vai trò quan trọng trong nhiều nghiên cứu về đô thị. Nghiên cứu này trình bày một phương pháp phân lớp ảnh toàn sắc sử dụng đặc trưng wavelet trong mạng Neural. Một mạng Neural dựa trên cấu trúc với sự lan truyền ngược thông qua thuật toán cấu trúc (BPTS) được thực hiện cho việc phân lớp ảnh toàn sắc. Sau khi phân ra wavelet, nội dung của đối tượng có thể được phản ánh bởi các hệ số wavelet của đối tượng đó. Do đó, cường độ phổ của điểm ảnh và các hệ số wavelet của nó có thể được kết hợp như các thuộc tính cho mạng Neural. Các nút của biểu diễn cây của một đối tượng có thể được biểu diễn bởi các thuộc tính. Để chứng tỏ hiệu quả của phương pháp đề xuất, đặc trưng thông thường cũng được sử dụng trong thử nghiệm. 2510 điểm ảnh ứng với bốn lớp được lựa chọn ngẫu nhiên như tập dữ liệu cho việc huấn luyện mạng Neural và 19498 điểm ảnh được chọn cho việc thử nghiệm. Bốn lớp phủ đất được phân lớp hoàn toàn sử dụng dữ liệu huấn luyện. Độ chính xác phân lớp dựa trên tập dữ liệu thử nghiệm lên tới 99.68%, tốt hơn 10% so với việc chỉ sử dụng tập đặc trưng thông thường. Kết quả thử nghiệm thể hiện tiếp cận đề xuất cho việc phân lớp ảnh toàn sắc hiệu quả và tin cậy hơn nhiều. Trong [93], các tác giả cũng thử nghiệm và đánh giá phương pháp phân loại SVM cho ảnh viễn thám.Trước đó, ứng dụng của các bộ phân lớp thống kê và mạng Neural cho ảnh viễn thám đã được xem xét. Do đó, hiệu quả, đặc trưng, ưu và khuyết điểm của các bộ phân loại đó cũng đã được biết đến, thậm chí với cả những chuyên gia viễn thám. Trong bài báo này, các tác giả trình bày ứng dụng phân lớp ảnh viễn thám với kĩ thuật nhận dạng mẫu mới được giới thiệu gần đây trong lý thuyết học máy mà được phát triển bởi Vapnik và các công sự, có tên máy vector hỗ trợ (SVM). Các thử nghiệm được thực hện trên tập dữ liệu ảnh viễn thám, với nhấn mạnh cụ thể các giai đoạn thiết kế và huấn luyện SVM. Kết quả thử nghiệm cho 67 thấy hiệu quả phân lớp với SVM là cao hơn so với việc phân lớp sử dụng mạng Neural và k láng giềng gần nhất. Trong [37], các tác giả cũng thử nghiệm và đánh giá phương pháp phân loại SVM cho ảnh viễn thám siêu phổ.Bài báo này tập trung vào vấn đề phân loại ảnh viễn thám siêu phổ bằng máy vector hỗ trợ. Đầu tiên, các tác giả đề xuất một thảo luận mang tính lý thuyết và phân tích thực nghiệm để hiểu và đánh giá khả năng của bộ phân lớp SVM trong không gian đặc trưng siêu chiều. Sau đó, đánh giá hiệu quả của SVM với mối liên hệ với các tiếp cận dựa trên việc giảm đặc trưng thông thường và hiệu năng của chúng trong các siêu không gian con với số chiều khác nhau. Để đảm bảo phân tích như vây, hiệu năng của SVM được so sánh với hiệu năng của hai bộ phân tích phi tham số khác (ví dụ, mạng Neural hàm cơ sở radial và bộ phân loại K láng giềng gần nhất). Cuối cùng, bài báo nghiên cứu vấn đề tiềm năng quan trọng của việc áp dụng các SVM nhị phân để các vấn đề đa lớp trong dữ liệu siêu phổ. Cụ thể, bốn chiến lược đa lớp khác nhau được phân tích và so sánh: một đối với tất cả, một với một, và hai chiến lược dựa trên cây phân cấp. Các chỉ số hiệu năng khác nhau được sử dụng để hỗ trợ cho các nghiên cứu thực nghiệm một cách chi tiết và chính xác, ví dụ, độ chính xác phân loại, thời gian tính toán, sự ổn định trong việc thiết lập tham số, và sự phức tạp của kiến trúc đa lớp. Kết quả thu được trên tập dữ liệu siêu phổ ảnh hàng không cho phép kết luận rằng, bất kì chiến lược đa lớp nào được thông qua, SVM là thay thế hợp lệ và hiệu quả cho các tiếp cận nhận dạng mẫu thông thường (thủ tục giảm đặc trưng kết hợp với một phương pháp phân loại) cho việc phân lớp dữ liệu viễn thám siêu phổ. Trong [7], các tác giả nghiên cứu sử dụng ảnh viễn thám xác định sự phân bố đất than bùn ở U Minh hạ. Việc nghiên cứu ứng dụng ảnh viễn thám trong xác định sự hiện diện của than bùn là một nghiên cứu hết sức cần thiết, nhằm đáp ứng kịp thời cho công tác quản lý, sử dụng hợp lý nguồn tài nguyên này. Kết quả đã sử dụng ảnh viễn thám của vệ tinh World View1 và QuickBird với 58 điểm khảo sát hiện trạng và 40 điểm khảo sát than bùn đã xác định được 6 nhóm đối tượng (lung bàu, rừng già, rừng trồng lớn, rừng trồng nhỏ, lau sậy, dớn choại), với độ chính xác toàn cục khá cao lần lượt là 94% và 95,6%. Đặc biệt đã xác định được đối tượng rừng tràm già, dớn choại có tương quan cao với sự hiện diện của than bùn; từ đó đã giải đoán và thành lập được bản đồ phân bố than bùn cho 2 ảnh theo 3 nhóm: khu vực than bùn-rừng già, khu vực than bùn-dớnchoại và khu vực không có than bùn. Tuy 68 nhiên, dữ liệu thử nghiệm đều có độ phân giải không cao. Nhóm tác giả dự kiến tiếp tục nghiên cứu trên các loại ảnh có độ phân giải không gian cũng như các loại ảnh với các band phổ của các vệ tinh khác nhau trong nghiên cứu thành lập bản đồ phân bố đất than bùn cũng như các nguồn tài nguyên khác. Các tác giả sử dụng phân mềm Envi để thực hiện việc hiệu chỉnh, phân lớp dữ liệu. Hình 1 20. Kết quả phân loại có kiểm soát ảnh World View 1, QuickBird [7]. Trong [5], tác giả đã nghiên cứuảnh hưởng của dữ liệu huấn luyện trong các thuật toán phân loại ảnh viễn thám thông qua việc so sánh kết quả phân loại giữa hai bộ phân loại là MLC (Maximum Likelihood Classification) và mạng thần kinh đa lớp LNN (Layered Neural Networks).Phương pháp phânloại gần đúng nhất MLC (Maximum Likelihood Classification) dựa trên cơ sở giả thuyết hàm mật độ xác suất tuân theo luật phân bố chuẩn, đã được áp dụng khá phổ biến trong phân loại ảnh viễn thám và được xem như là thuật toán chuẩn để so sánh với các thuật toán khác. Bằng thuật toán MLC, chúng ta có thể nhận một kết quả phân loại sai lệch nếu như dữ liệu ảnh vệ tinh được tiến hành phân loại không tuân theo luật phân bố chuẩn. Để khắc phục nhược điểm của MLC, mạng thần kinh đa lớp LNN (Layered Neural Networks) đã được áp dụng và đem lại kết quả rất đáng tin cậy. Mối quan hệ lý thuyết giữa LNN và MLC đã được làm sáng tỏ bởi Wan (1990) và Ruck et al. (1990) với kết luận là giá trị xuất của LNN, khi đã được huấn luyện với bộ dữ liệu mẫu đầy đủ, được xem như là giá trị ước tính của xác suất sau trong phân loại MLC. 69 Để khảo sát ảnh hưởng của bộ dữ liệu huấn luyện đến kết quả phân loại của 2 phương pháp, bộ ảnh quang học đa phổ được sử dụng để phân thành 7 loại [5]. Ba bộ dữ liệu mẫu có số pixels khác nhau (1000, 1500 và 2000 pixels) được thực nghiệm trên thuật toán phân loại gần đúng nhất (MLC) và mạng neural đa lớp (LNN).Ưu thế của từng phương pháp phân loại trên cùng bộ dữ liệu huấn luyện sẽ được đánh giá bởi ma trận sai số trong phân loại. Trong [4], các tác giả đã trình bày chiến lược phân loại hướng đối tượng cho ảnh viễn thám độ phân giải cao.Các kĩ thuật viễn thám đang đạt được nhiều và quan trọng hơn trong việc phân loại lớp phủ và phân tích đô thị. Và tiếp cận phổ biến nhất của phân loại là phân loại giám sát dựa trên điểm ảnh để phân loại các kiểu lớp phủ khác nhau. Tiếp cận phân loại giám sát dựa trên điểm ảnh đề phân loại ảnh sử dụng đặc trưng phổ. Hiện tại, với ảnh đa phổ viễn thám độ phân giải cao, chúng ta không thể thu được độ chính xác cao của phân loại lớp phủ nếu sử dụng tiếp cận dựa trên điểm ảnh. Trong bài báo này, một chiến lược phân loại dựa trên đối tượng sử dụng máy vector hỗ trợ phân cấp được giới thiệu. Bằng việc kết hợp thông tin không gian và phổ, số lượng chồng chép giữa các lớp có thể tăng lên. Bằng cách này, độ chính xác phân loại cao hơn và bản đồ lớp phủ đô thị càng chính xác. Lúc đầu, ảnh được phân đoạn với kĩ thuật phân đoạn đa tỉ lệ. Các đối tượng ảnh được phân lớp với bộ phân loại máy vector hỗ trợ phân cấp. Ngoài đặc trưng phổ, đối tượng ảnh được trích chọn thêm các đặc trưng diện tích, entropy, chỉ số hình dạng và đặc trưng liên quan ngữ cảnh. 70 Hình 1 21. Sơ đồ quá trình nhận dạng. Hình 1.22. Ảnh đầu vào, kết quả phân loại dựa trên tiếp cận điểm ảnh, tiếp cận đối tượng. Thành công của tiếp cận phân loại hướng đối tượng phụ thuộc rất nhiều và chất lượng của pha phân đoạn [4]. Ảnh thử nghiệm của nhóm tác giả vẫn là ảnh màu với kích thước nhỏ nên chưa thể hiện được vấn đề của thuật toán phân đoạn, đặc biệt là phân đoạn đa tỉ lệ (thuật toán watershed). Với ảnh kích thước lớn, độ phân giải cao như ảnh viễn thám, tốc độ thực thi của các thuật toán phân cụm, đặc biệt là phân đoạn đa tỉ lệ [85] hay phân cụm mờ rất chậm. 71 Trong [2], các tác giả đã xây dựng phát triển phần mềm xử lý ảnh viễn thám VNSIP trên nền phần mềm nguồn mở GRASS với nhiều tính năng: Nhập xuất, tăng cường ảnh, phân đoạn và phân lớp ảnh...Các tác giả giới thiệu một số kết quả liên quan đến việc phát triển phần mềm xử lý ảnh viễn thám trên nền phần mềm nguồn mở GRASS. Sau khi khảo sát, đánh giá các ưu nhược điểm chính của phần mềm GRASS, một số kỹ thuật mới về xử lý ảnh, phân lớp ảnh viễn thám được nghiên cứu và phát triển bổ sung. Giao diện người sử dụng thuận tiện cũng đã được nghiên cứu cài đặt. Cuối cùng, bài báo trình bày kết quả đánh giá, thử nghiệm bước đầu về phương pháp xử lý, phân loại ảnh viễn thám và giao diện phần mềm này tiến tới khuyến cáo sử dụng sao cho phù hợp. Các kết quả nghiên cứu và thử nghiệm trình bày trong báo cáo này được hoàn thành trong khuôn khổ thực hiện đề tài NCKH cấp nhà nước thuộc Chương trình Khoa học và Công nghệ Vũ trụ mã số VT01/09-2009. 1.5. Phân tích, đánh giá về thành công, ưu điểm, hạn chế Cho đến hiện tại, lĩnh vực ứng dụng viễn thám nói chung và xử lý, phân tích ảnh viễn thám nói riêng, các nghiên cứu trên thế giới đã đạt được những thành công to lớn từ giai đoạn thu thập ảnh với những cải tiến sâu sắc, thành tựu lớn của các vệ tinh viễn thám ngày càng hiện đại, các vấn đề tiền dữ lý dữ liệu viễn thám cho đến việc phân loại, phân tích ảnh viễn thám cũng như các ứng dụng hậu phân loại. Trong nước ta, lĩnh vựcnày cũng xuất hiện từ khá sớm và hiện tại đang được quan tâm rất lớn. Tuy nhiên, nói riêng trong vấn đề xử lý, phân tích ảnh viễn thám vẫn còn một số vấn đề sau mà có thể cải tiến:  Thứ nhất, các phương pháp tăng độ tương phản áp dụng tiếp cận toàn cục để tăng cường tất cả mức độ sáng của ảnh. Ưu điểm của tiếp cận này là đơn giản, tất cả các điểm ảnh đều có chung một chiến lược biến đổi, tăng cường. Tuy nhiên, ảnh vệ tinh có nhiều đối tượng và các vùng khác nhau cùng với đó là các thông tin tương phản cục bộ. Nếu chỉ sử dụng tiếp cận toàn cục thường khó để tăng cường tất cả các đối tượng xuất hiện trong, bởi vì thông tin tương phản cục bộ và chi tiết có thể bị mất trong các vùng sáng và tối. Theo quan điểm của xác suất thống kê, tiếp cận toàn cục xem như toàn bộ dữ liệu ứng với một phân bố và áp dụng chung một mô hình cho mỗi phần tử. Quan điểm này là không thực tế. Do đó, đã có nhiều nghiên cứu xem dữ 72 liệu có sự tổng hợp của nhiều phân bố. Phần tử nào thuộc phân bố nào sẽ được áp dụng mô hình ứng với phân bố đó. Ngoài ra, các phương pháp này vẫn chọn thủ công các giá trị cho các ngưỡng cận dưới và cận trên nên không phải lúc nào cũng chọn được giá trị tốt làm ảnh hưởng đến kết quả tăng cường ảnh.  Thứ hai, về vấn đề phân lớp ảnh viễn thám, các kĩ thuật phân lớp thường áp dụng cho ảnh viễn thám đa phổ là không mới như các kĩ thuật đã áp dụng cho ảnh màu. Nếu như có thể cải tiến các kĩ thuật đã có và các kĩ thuật mới đã áp dụng thành công cho ảnh màu có thể tăng cường chất lượng phân lớp ảnh viễn thám đa phỏ. Hơn nữa, tốc độ thực thi của một số kĩ thuật phân lớp vẫn chậm với ảnh kích thước lớn như ảnh viễn thám độ phân giải cao. 1.6. Kết luận chương I Chương I đã trình bày tổng quan về viễn thám và xử lý ảnh viễn thám bao gồm: trình bày tiến trình viễn thám, các đặc trưng viễn thám và khuôn dạng chung của ảnh viễn thám và các loại ảnh vệ tinh khác nhau. Viễn thám được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau. Chương I cũng trình bày tổng quan về giải đoán ảnh viễn thám đa phổ. Quy trình giải đoán ảnh viễn thám bao gồm nhiều bước như: Hiệu chỉnh ảnh, tăng cường ảnh và giải đoán (Phân lớp ảnh). Trong đó, luận án tập trung nghiên cứu sâu về tăng cường và giải đoán tự đoạn-phân lớp ảnh viễn thám đa phổ. Tiếp theo, chương I đưa ra bức tranh tổng quan về tình hình nghiên cứu trong và ngoài nước liên quan đến vấn đề tăng cường chất lượng ảnh và phân lớp ảnh viễn thám. Cho đến hiện tại, các nghiên cứu trên thế giới đã đạt được những thành công to lớn từ giai đoạn thu thập ảnh với những cải tiến sâu sắc, thành tựu lớn của các vệ tinh viễn thám ngày càng hiện đại, các vấn đề hiệu chỉnh, tăng cường chất lượng dữ liệu cho đến việc phân lớp, phân tích ảnh viễn thám cũng như các ứng dụng hậu phân lớp. Trong nước ta, lĩnh vực này cũng xuất hiện từ khá sớm và hiện tại đang được quan tâm rất lớn. Qua đây, luận án phân tích ưu điểm cũng như những mặt còn hạn chế của các phương pháp và nghiên cứu đã có, làm cơ sở để nghiên cứu sinh tìm ra các phương pháp mới, để có thể cải tiến và ứng dụng vào thực tế đem lại hiệu quả tốt hơn. Các cải tiến của luận án được trình bày trong chương II và III. 73 CHƯƠNG II: PHÁT TRIỂN MỘT SỐ THUẬT TOÁN TĂNG CƯỜNG ĐỘ TƯƠNG PHẢN ẢNH VIỄN THÁM ĐA PHỔ Trong chương II, luận án trình bày một số thuật toán tăng cường độ tương phản dựa trên logic mờ. Qua đó, phân tích những hạn chế của các thuật toán này. Từ đây, luận án đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám mới dựa trên tiếp cận cục bộ theo cụm. Kết quả đề xuất được nghiên cứu sinh công bố trong các bài [TRU1], [TRU2] và [TRU9]. 2.1. Một số thuật toán tăng cường độ tương phản ảnh dựa trên logic mờ 2.1.1. Tăng cường ảnh mờ với toán tử tăng cường Phương pháp này sử dụng toán tử tăng cường để giảm tính mờ của ảnh mà đưa ra trong một sự tăng cường độ tương phản ảnh [47]. Thuật toán có thể được phát biểu như sau: Bước 1: Đặt các tham số Fe (Exponential fuzzifiers), Fd (Denomination fuzzifiers), gmax (Maximum gray level) của hàm thuộc Fe= 2 và (5) Bước 2: Định nghĩa hàm thuộc ( ) [ ] (6) Bước 3: Thay đổi giá trị hàm thuộc { [ ] [ ] (7) Bước 4: Sinh mức xám mới ( ) ((( ) )) (8) 2.1.2. Tăng cường ảnh mờ với toán tử Hyperbol Ý tưởng của lược đồ tần suất hyperbol hoá, và lược đồ tần suất hyperbol hoá mờ được mô tả tương ứng trong [110]. Do nhận thức độ sáng của con người không 74 tuyến tính, thuật toán này thay đổi giá trị hàm thuộc của các mức xám bởi hàm logarit. Thuật toán có thể được phát biểu như sau: Bước 1: Thiết lập dạng hàm thuộc. Bước 2: Đặt giá trị của tham số mờ β. Bước 3: Tính các giá trị hàm thuộc μmn. Bước 4: Thay đổi các giá trị hàm thuộc bởi β. Bước 5: Sinh mức xám mới, như mô tả ở dưới. Trong thuật toán này, dạng của hàm thuộc được thiết lập như tam giác để đặc trưng cho ranh giới, và giá trị của tham số mờ β như một ranh giới: β = - 0.75 + 1.5μ. Sau đó, bằng việc tính giá trị hàm thuộc μmn và thay đổi giá trị hàm thuộc bởi β, sinh giá trị mức xám mới g’mn bởi đẳng thức sau: ( ) [ ] (9) 2.1.1. Tăng cường ảnh mờ dựa trên phân bố xác suất Phân bố xác suất [9] của các mức xám trong ảnh gốc có thể được đặc trưng bằng việc sử dụng năm tham số: (α, β1, γ, β2, max). Ở đó, giá trị cường độ γ biểu diễn giá trị trung bình của phân bố, α là cực tiểu, và max là cực đại. Mục tiêu là để giảm các mức xám nhỏ hơn β1, và lớn hơn β2. Các mức cường độ giữa (β1, γ) và giữa (γ, β2) được giãn theo hai hướng từ trung bình γ. Hình 2.1. Hàm phân bố xác suất cho việc tính toán các giá trị hàm thuộc. 75 2.1.2. Cải thiện độ tương phản dựa trên luật If-Then mờ Tiếp cận dựa trên luật mờ là phương pháp mạnh và phổ biến cho nhiều tác vụ trong xử lý ảnh [47]. Một hệ thống dựa trên luật suy luận rất đơn giản được phát triển. Hàm mờ được mô tả trong hình 3.40. Hình 2.2. Hàm thuộc. Thuật toán bắt đầu với việc khởi tạo các tham số ảnh; mức xám cự đại và cực tiểu. Sau đó bằng việc mờ hóa các mức xám (ví dụ, giá trị hàm thuộc thành tối, xám và sáng) thiết lập các mức xám. Thủ tục suy luận đánh giá một cách thích hợp các luật sau đây: (1) Nếu tối thì đen (2) Nếu xám thì xám (3) Nếu sáng thì trắng 2.2. Hạn chế của các thuật toán tăng cường mờ Qua phân tích về phương pháp tăng cường ảnh mờ đã có như được trình bày trong các mục 2.1 của luận án, luận án có một số nhận xét sau:  Một là, các thuật toán tăng cường mờ trên vẫn sử dụng tiếp cận toàn cục như các phương pháp truyền thống, điểm ưu việt hơn chỉ là có thêm ma trận hàm thuộc cho ảnh. Vì vậy, vẫn khó để tăng cường độ tương phản giữa các lớp phủ đất (các đối tượng che phủ mặt đất) xuất hiện trong ảnh vệ tinh, bởi 76 vì thông tin tương phản cục bộ và chi tiết vẫn có thể bị mất trong các vùng sáng và tối.  Hai là, khi cài đặt thuật toán, cụ thể trong [47], các ngưỡng cận trên max, dưới min vẫn phải chọn thủ công dựa trên lựa đồ xám. Như vậy, với mỗi ảnh khác nhau thì sẽ phải dò tìm thủ công, thiếu hiệu quả và việc chọn ngưỡng có thể không tốt.  Ba là, giống như phương pháp truyền thống, phương pháp tăng cường ảnh mờ chỉ thực hiện trên một kênh phổ (ảnh đa cấp xám hay từng kênh của ảnh đa kênh). Với ảnh đa phổ như ảnh màu RGB hay ảnh viễn thám đa phổ, thuật toán sẽ được thực hiện trên từng kênh ảnh. Giả sử ta có một điểm ảnh P với các mức xám tương ứng với các kênh là ( , , ). Như vậy, các giá trị xám , , có quan hệ cùng một điểm ảnh. Khi thực hiện thuật toán tăng cường ảnh mờ theo từng kênh, mối quan hệ này không được bao hàm. Khi đó, mỗi value xám trong bộ ( , , ) sẽ được tăng cường một cách độc lập nên khó đảm bảo quan hệ phổ nêu trên giữa các giá trị xám mới sau tăng cường. Do đó, tương quan phổ của các đối tượng trong ảnh sau đầu ra có thể không được bảo tồn. 2.3. Một số độ đo chất lượng tăng cường ảnh Để đánh giá chất lượng ảnh, chúng ta có thể sử dụng phương pháp trực quan hay các chỉ số độ đo chất lượng. Để đo độ tương phản của ảnh, chúng ta có thể sử dụng một số độ đo như sau: Shannon Entropy H, Entropy mờ FH, chỉ số tuyến tính mờ γ, độ đo chất lượng ảnh IQM a. Độ đo Entropy Shannon Entropy (hoặc entropy thông tin) là một phương pháp đo tính không chắc chắn của thông tin. Giả sử có n sự kiện trong không gian mẫu, xác suất mỗi sự kiện là pi (i = 1, 2, , n), mỗi pi ≥ 0, và tổng của pi được đinh nghĩa bằng 1. Do đó, một hàm H có thể được định nghĩa để đo độ không chắc chắn của không gian mẫu [56]. Với xử lý ảnh, n đưa ra bởi số mức xám. Sau đó H được mô tả như đẳng thức 18. Từ các giá trị của entropy, nó chứng tỏ rằng thông tin của ảnh là phong phú hơn khi entropy cao hơn. ∑ ( ) (10) 77 Trong đó, L = số mức xám. Pi = xác xuất của mức i trong histogram. Như vậy, để tính Entropy của ảnh ta có thể phát biểu như sau: Đầu vào: Ảnh đa cấp xám. Đầu ra: Giá trị Entropy. Thuật toán được mô tả như sau hình 2.3 dưới đây:  Bước 1: Đặt L = 255, i = 0, nhập ảnh  Bước 2: Nếu i < L sang B3, ngược lại kết thúc.  Bước 3: Tính xác suất của mức xám i từ ảnh  Bước 4: Cập nhật Entropy.  Bước 5: Xuất giá trị Entropy. b. Độ đo tính mờ và entropy mờ Chỉ số mờ γ được định nghĩa bởi Kaufmann [47][99] và entropy mờ FH bởi DeLuca và Termini [47]. Chỉ số mờ, ví dụ, phản ánh sự không rõ ràng trong ảnh bởi việc đo khoảng cách giữa mặt phẳng thuộc tính mờ và mặt phẳng thông thường gần nhất. Cả chỉ số mờ và entropy mờ đều là chỉ số đo cho sự không rõ ràng mức xám toàn cục của ảnh. Các chỉ số này có thể được lưu ý như một độ khó trong việc quyết định liệu một điểm ảnh nên được xem như đen (tối) hoặc trắng (sáng). ∑ ∑ ( ) (11) ⁄ ∑ ∑ ( ) ( ) ( ) (12) Trong đó, M x N: Kích thước ảnh : Giá trị hàm thuộc của điểm ảnh tại vị trí dòng m, cột n Như vậy, để tính độ đo mờ của ảnh ta có thể phát biểu như sau: 78 Input: Ảnh đa cấp xám. Ouput: Giá trị γ. Thuật toán tính độ đo mờ của ảnh được mô tả như sau:  Bước 1: Với mỗi điểm ảnh, tính giá trị độ thuộc tương ứng  Bước 2: Cập nhật giá trị độ đo mờ  Bước 3: Nếu vẫn còn điểm ảnh thì quay lại bước 1, ngược lại thì kết thúc. Nill và Bouzas đã đề xuất một phương pháp đo chất lượng của cảnh tự nhiên dựa trên hệ thống trực quan con người chỉ số IQM [80]. ∑ ∑ ( ) ( ) ( ) ( ) (13) Trong đó, M 2 = kích thước ảnh. S( 1) = tham số tỉ lệ ảnh có hướng. W(ρ) = bộ lọc nhiễu Wiener sửa đổi. A 2(Tρ) = hàm truyền điều chế của hệ thống trực quan con người. P(ρ, ) = phổ năng lượng ảnh chuẩn hóa độ sáng. ρ, = tần số không gian trong hệ tọa độ cực. Trong các công trình nghiên cứu và luận án, nghiên cứu sinh sử dụng độ đo Entropy và độ đo tính mờ để đánh giá chất lượng của ảnh trước và sau tăng cường. 2.4. Đề xuất kĩ thuật tăng cường độ tương phản ảnh viễn thám dựa trên tiếp cận cục bộ Các bước chính của kĩ thuật tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ (Local based Remote Sensing Image Enhancement-LoRSIE) được liệt kê trong bảng 2.1. Bảng 2.1. Quy trình thuật toán tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ. Giai đoạn Nhiệm vụ 79 1 Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm 2 Xây dựng mô hình hiệu chỉnh mức xám theo cụm 3 Tính ngưỡng tự động theo cụm 4 Sinh ảnh tăng cường dựa trên việc tổng hợp các mức xám hiệu chỉnh theo từng cụm Trong các phần 2.5 và 2.6, luận án trình bày hai thuật toán tăng cường ảnh viễn thám dựa trên tiếp cận cục bộ sử dụng các thuật toán phân cụm mờ FCM và phân cụm rõ KMeans. 2.5. Tăng cường ảnh viễn thám sử dụng phân cụm mờ 2.5.1. Thuật toán tăng cường ảnh viễn thám sử dụng phân cụm mờ 2.5.1.1. Cục bộ hóa ảnh viễn thám dựa trên thuật toán phân cụm mờ Phân cụm c-Means mờ [119] là thuật toán được dùng rộng rãi của phân lớp mờ. Trong khi xem xét logic tập mờ, thuật toán được phát triển dựa trên phân cụm KMeans. Trong thuật toán này, mỗi điểm ảnh không về duy nhất cụm nào và được biểu diễn bởi nhiều thành viên của mỗi cụm. Bài toán phân cụm mờ phát biểu như sau. Cho tập dữ liệu X gồm n đối tượng tổ chức thành c cụm thể hiện qua hàm liên thuộc mô tả mức độ đối tượng dữ liệu thuộc về cụm i với mọi : ( ) (14) ∑ ( ) (15) Thuật toán phân cụm FCM [119] được thực hiện lặp nhằm tối ưu (cực tiểu hóa) hàm mục tiêu (Jm) sau: ∑ ∑ ( ) ( )